딥러닝

home > 딥러닝

딥러닝(Deep Learning)이란?

딥러닝은 인공 신경망을 이용한 머신러닝의 일종으로 학습을 통해 컴퓨터가 마치 사람처럼 생각하고 배울 수 있도록 하는 인공지능(AI)기술입니다.
포괄적인 인공지능 개념으로 데이터를 분석하고 스스로 학습하는 과정을 거치면서 축적되는 신경망의 여러 층을 딥러닝이라 하며 신경망이 깊어질수록 성능이 향상되어 축적된 데이터를 바탕으로 이미지를 인식하고, 트렌드를 구별할 수 있으며 지능적으로 예측하고 결정을 내릴 수 있습니다. 


Cognex ViDi


각 방식을 배포하기 적절한 애플리케이션:
기존 머신 비전 대 딥 러닝 기반 이미지 분석




빠르고 강력하며 육안 검사와 흡사한 기능
Cognex ViDi는 구축하기 쉬운 하나의 인터페이스에 육안 검사의 정교함과 유연성 그리고 컴퓨터 시스템의 기능과 반복성, 신뢰성을 모두 결합하였습니다.



딥러닝의 장점
딥러닝은 과거 비전 전문지식이 필요했던 애플리케이션을 비전 전문가도 해결할 수 있는 공학적 문제로 전환시켰습니다. 딥러닝은 규칙 기반 알고리즘을 개발하고 코딩하는 애플리케이션 개발자의 논리적인 부담을 인제니어의 시스템학습으로 전환시켰습니다. 또한 인간의 검사 없이 시도되지 않았던 애플리케이션을 해결할 수 있는 새로운 지평을 열었습니다. 딥러닝은 컴퓨터와 카메라가 정확하게 검사할 수 있는 한계를 확장하면서 머신 비전을 보다 쉽게 작업할 수 있도록 변화시켰습니다.


 

머신비전의 과제

 


기존의 머신비전 시스템은 일관적이고 생산 과정에서 결함이 없는 부품에 대해서는 높은 신뢰도로 작동합니다. 이 기술은 인간 검사보다 비용 측면에서 저렴하게 단계별 필터링과 규칙 기반 알고리즘을 토해 작동합니다. 그러나 예외적 상황과 결함 라이브러리가 증가하면서 알고리즘 프로그래밍이 어려워집니다.

머신비전 시스템으로 부품의 외형상 허용한 변화
- 배율
- 회전
- Pose 왜곡

머신 비전 시스템은 시각적으로 매우 유사한 부품들 사이의 가변성과 편차를 평가하기 어렵고, 부품의 사용성에 영향을 주는 기능적인 결함은 거의 대부분 불합격으로 처리되지만 미관상의 결함은 생산업체의 필요와 선호도에 따라 불합격처리되지 않을 수도 있습니다.

프로그램하기 어려운 분야
- 조명
- 색상변경
- 곡률
- 시야각

머신 비전과 딥러닝 중 선택

딥 러닝 기반 이미지 분석과 기존의 머신 비전은 각각 뛰어난 분명한 분야가 존재하면서 중복되는 기능들이 있는, 상호
보완적인 기술입니다.
머신비전과 딥러닝 기술중 선택으로 결정되는 요소
- 해결하려는 애플리케이션 유형
- 처리하려는 데이터 크기
- 처리 용량

규칙기반 프로그래밍 기술
- 게이지 및 측정
- 정밀도 조정

딥러닝 기반 이미지 분석
- 복잡한 외형 검사
- 질감 및 재질 분류
- 조립 검사
- 변형되거나 가변적인 특징 위치 확인
- 왜곡된 인쇄 포함 난이도가 높은 OCR

딥러닝 소프트웨어 사용 이유

 


업계에서는 복잡하고, 시간 소비도 많이 되며, 기존의 규칙 기반 알고리즘을 사용하도록 프로그램을 하기에는 너무 비용이
비싼 제조업의 검사 문제를 해결하기 위해 딥 러닝 기술로 선회하는 기업들이 증가하고 있습니다. 딥러닝은 생산업체가 기존의
머신 비전 애플리케이션으로 해결하기 힘든 문제들을 해결하고 보다 우수한 강력함과 신뢰성으로 작업을 처리할 수 있는 가능성을
제공합니다.

딥러닝 소프트웨어로 가능한 작업
- 과거에 프로그래밍 불가능한 애플리케이션을 자동화
- 오류율 감소
- 작동 중단 시간 감소
- 검사 시간 단축
- 처리량 개선

공장자동화를 위한 딥 러닝


딥 러닝 기반 이미지 분석은 인간의 육안 검사의 특수성과 유연성을 컴퓨터화된 시스템의 신뢰성과 속도와 결합합니다. 딥러닝
모델은 너무 복잡해서 프로그래밍하기 어렵고 종종 기존 머신 비전 방식으로 유지 관리가 불가능한 비전 애플리케이션을 정확하고
반복적으로 해결할 수 있습니다. 딥러닝 모델은 복잡한 패턴에서 자연적인 변화를 용인하면서 허용할 수 없는 결함을 구분할 수
있습니다. 또한 핵심 알고리즘을 다시 프로그래밍하지 않고 새 예제에 쉽게 적용할 수 있습니다.

머신비전 솔루션 보다 더 효율적으로 수행이 가능한 것
- 부품 위치
- 검사
- 분류
- 문자 인식

COGNEX 딥러닝 기술의 장점

 다른 딥러닝 기반 소프트웨어와는 다른 Cognex Deep Learning의 특성

- 전형적인 수 천 가지 다른 딥러닝 소프트웨어와는 달리 적은 수의 학습 이미지만으로도 작업 가능
- 컴퓨터에 GPU 카드 하나만 있어도 작동 가능한 컴퓨팅 파워
- 머신 빌더 또는 시스템 통합 업체의 개입 없이 공장 현장에서 바로 유지 관리 및 재학습 가능
- 컬러 영상 및 열영상 포함, 거의 모든 문제를 인식하는 고해상도 이미지로 작업

딥러닝 소프트웨어 작동 방식

 


딥 러닝 소프트웨어는 마치 인간이 학습을 하는 것 처럼 부품의 알려진 특징, 결함, 범주를 대표하는 레이블이 적용된
이미지 집합으로 학습합니다. 지도 하습 기간 중에는 시스템이 명백한 결함을 인지하도록 학습시키고, 여러 행태로 발생하는
결함에 대해서 시스템은 비지도 모드에서 허용 가능한 결함이 있는 모습까지 포함해서 물체의 정상적인 모습을 학습 시킵니다.

소프트웨어는 이러한 대표 이미지에 기초해서 참조 모델을 형성하고, 이 과정은 지속적인 개선을 위한 바복적 프로세스로서
이 과정 동안 매개 변수를 조정하고 모델일 원하는대로 작동하는지 결과를 검사합니다. 소프트웨어는 런타임 중에 새로운
이미지 집합에서 데이터를 추출하고 신경망은 부품의 부분별 구조를 분석하고 비정상적인 부분을 추출하며 분류합니다.

COGNEX 딥러닝 기술 사용 방법

Cognex Deep Learning는 소규모 샘플 이미지 집합으로 몇 분 만에 기술자들에게 딥러닝 기반 모델을 학습시킬 수 있습니다.
Cognex Deep Learning는 애플리케이션 구성 후에 빠르고 정확한 결과를 제공하고 공정 제어를 통해 이미지를 저장합니다.

학습하는 동안 엔지니어나 기술자의 업무:
- 샘플 이미지 로드
- 중요한 특징 및 결함 지정
- 소프트웨어의 결과 검사

적용 중 Cognex Deep Learning:
- 검사 이미지에서 데이터 추출
- 이미지 분석 및 해석
- 합격/불합격 결과 산출

 복잡한 검사를 위한 딥 러닝

 


딥 러닝 모델은 검사관의 자가 학습 능력과 컴퓨터 시스템의 속도 및 일관성을 결합하여 머신이 갖고 있는 본질적인 한계를
극복할 수 있게 합니다. 딥러닝 기반 이미지 분석은 본질적으로 복잡한 외형, 즉, 미묘하게 변하지만 허용 가능한 방식으로
생성된 패턴이 있고 공간적인 주기에 기초한 방식을 사용함으로써 사전에 배제 가능한 표면 변화가 있는 표면의 검사에 특히
적합합니다. 딥러닝 기술은 복잡한 패턴의 자연적인 변화는 허용하는 한편, 변칙, 부품, 특징을 구분해내기 위해 인간의 지능을
흉내내는 신경망을 사용합니다.

딥 러닝 기반 이미지 분석은 머신 비전에서는 처리하기 힘든 성형 및 기능적 이상현상을 식별하는데 탁월한 성능을 발휘하며,
이러한 과정을 검사관보다 더욱 빠르게 안정적으로 수행합니다. 그러므로 딥 러닝 기반의 소프트웨어는 이제 판단 기반의 검사와
같은 어려운 작업을 인간이나 기존의 머신 비전 솔루션보다 좀더 효율적으로 수행할 수 있습니다.

딥러닝 VS. 머신 비전 및 인간 검사
머신 비전은 속도, 정확도, 반복 가능성 덕분에 구조화된 장면의 정량적 측정에서 우수한 능력을 보이고, 올바른 카메라 해상도와
광학 장치를 중심으로 구축된 머신 비전 시스템은 우수한 신뢰성과 낮은 에러로 사람의 눈으로 볼 수 없는 매우 작은 개체를
상세하고, 쉽게 검사할 수있습니다.

전통적인 머신 비전과 달리 인간은 미묘한 외형 및 기능이 상이한 결함을 구분할 수 있을 뿐만 아니라 인지되는 품질에 영향을
주는 부품 외형 상의 변화도 평가할 수 있고, 인간은 정보 처리 속도에 한계가 있지만 고유한 개념화와 일반화가 가능한
능력을 가지고 있습니다.

딥러닝 기술은 복잡한 패턴의 자연적인 변화는 허용하는 한편, 변칙, 부품, 특징틀 구분해내기 위해 인간의 지능을 흉내내는
중립적 네트워크를 사용하고, 이러한 방식은 인간의 육안 검사의 유연성을 컴퓨터화된 시스템의 속도와 안정성과 결합합니다.

점화 플러그 식별 및 분류

주어진 환경에서 바코드 사용이  불가한 경우 제조업체는 특정한 식별, 카운팅, 분류 등의 애플리케이션을 육안 검사로만

해야 하고, 사전 조립을 위해 여러 색상의 트레이로 전달되는 점화 플러그가 이 경우에 해당합니다. 검사 시스템은 여러

색상의 점화 플러그를 정상적으로 식별하고 카운팅하고 분류하는 동시에 트레이의 배경색은 무시해야 합니다. 이 정보는

조립을 위해 비전 가이드 로봇에 전송됩니다.

 

코그넥스 ViDi는 크기, 모양과 표면 특징을 학습하여 점화 플러그의 독특한 특징을 일반화하고, ViDi 블루-위치 식별 룰의

경우 엔지니어는 트레이 이미지를 사용하여 각 점화 플러그를 식별하고 카운팅하도록 소프트웨어를 학습합니다. ViDi

그린-분류 툴은 딥 러닝 기반 모델을 사용하여 점화 플러그를 로봇과 관련된 특징 즉, 색상으로 분류합니다.  

 

주택 미용 검사

 

 구성 요서 수준에서도 포장 및 하우징 수준에서든 부품이 다를 경우 외관 검사가 어려울 수 있습니다. 일부 외관상의

결함은 기능에 영향을 주지 않지만 완성된 품질과 소비자 인식에 영향을 주지만, 다른 사소한 결함은 허용됩니다.

이러한 복잡성에 대한 검사를 규칙 기반 알고리즘으로 프로그래밍하려면 복잡한 결함 라이브러리가 필요하고 인적 검사는

더 유연하지만 너무 느리고 신뢰할 수 없으며 일관성이 없습니다.

 

엔지니어는 감독 모드에서 결함 감지 도구를 사용하여 Cognex Deep Learning을 훈련하여 중요하지 않은 이상 및 변형을

허용하면서 스크래치와 같은 특정 결함을 검색할 수 있습니다. 이 도구는 대비가 낮거나 캡처가 잘 되지 않는 이미지

작업에 최적화되어 있습니다. 소프트웨어는 런타임 동안 심각한 스크래치가 있는 이미지를 결함으로 특성화하여 사소한

외관 결점을 인식하고 무시하는 방법을 배웠습니다.  

 

용접 이음매 검사

코그넥스 ViDi는 표면 텍스처가 복잡하여 기존 머신 비전 검사를 어렵게 만드는 피스톤 등의 중요 파워트레인 구성품이

온전한지 여부를 검사하고, 용접의 누락, 과도하거나 부족한 용접과 같은 특정 이상 요소는 선호되지 않는 반면 중첩 이음매

등은 선호되며 안전상의 이유로도필요합니다.

 

검사의 두 번째 부분에서는 엔지니어가 ViDi 그린-분류 툴을 사용하여 이음매 결함을 유형별로 분류합니다. 지도 학습 모드에서

학습된 모델에 따라 소프트웨어는 구체적인 결함에 대한 정보를 추출하고 중첩 이음매를 각각의 클래스로 분리하고, 레드 툴과

그린-분류 툴을 함께 사용할 경우 자동차 제조업체는 검사 시스템으로 모든 용접 이음매를 식별하고 중첩 이음매를 성공적으로

분류할 수 있다는 확신을 얻게 됩니다.

 

에어백 검사

 

 


 

승객의 안전을 보장해야 하는 에어백은 엄격한 품질 기준이 요구되고, 자동차 제조업체는 안전에 중요한 모든 구성품을 수시로  

확인하여 품질을 보장하고 보증 비용과 리콜을 줄여야 합니다. 이는 에어백의 경우에 특히 더 중요하며, 오작동으로 이어질 수

있는 구멍, 찢어짐과 이음매 및 박음질 문제를 검사해야 합니다. 직물 패턴은 매우 복잡할 수 있으며 직물의 신축성, 실 두께와

사소하고 수많은 허용 가능 변형으로 인해 에어백의 외관은 많은 차이를 보입니다.

 

엔지니어는 비지도학습 모드의 ViDi 레드-분석 툴로 '정상' 에어백 이미지만으로 소프트웨어를 학습하여 참조 모델을 구성하고,

모델의 정상적인 모습에서 벗어나는 모든 특징은 이상 특징으로 구별됩니다. 코그넥스 ViDi는 구멍, 찢어짐과 비정상적인 박음질

패턴 등의 모든 이상현상을 일관성 있게 안정적으로 감지할 수 있고, 직물의 결함 영역을 빠르게 식별하고 보고하는ㄴ데, 이때

방대한 규모의 결함 라이브러리는 필요하지 않습니다.